# @eldermoraes on Instagram

- **Type:** Image
- **Original URL:** https://www.instagram.com/p/DV9Qb7QkcCK
- **Gondola URL:** https://gondola.cc/posts/60222695-eldermoraes-instagram
- **Thumbnail:** https://img.gondola.cc/tr:w-,h-,fo-auto/postThumbnails/bccf8b698d.jpg
- **Posted:** 2026-03-16T19:31:16.000+00:00
- **Account Owner:** Elder Moraes (@eldermoraes) — https://gondola.cc/eldermoraes

## Caption

Tem muita gente tratando desenvolvimento de agentes como se fosse só ligar modelo, plugar tool e torcer.

Só que no cenário real a conversa muda rápido.

A dor aparece quando você precisa entender o fluxo, limitar o que o agente pode chamar, integrar ferramenta externa sem inventar moda e observar o comportamento da aplicação com clareza.

Nessa linha, a release 1.12.1 do LangChain4j, lançado em 5 de março, atacou direto alguns pontos bem interessantes:

O que achei mais relevante aqui:

- HTML report da topologia e da execução do sistema agentic
- Suporte a MCP com stdio e Streamable HTTP
- Filtro de tools no McpToolProvider
- Métricas com Micrometer
- Suporte à Observation API
- Agent Skills e Tool Search

Nota importante: a própria documentação marca AI Service observability como experimental, então use com cuidado.

Fato é: o LangChain4j está na direção certa pra quem quer sair da demo que sempre funciona e entrar na engenharia de fato.

Se você já mexe com isso no seu projeto, a pergunta não se restringe a “qual modelo usar?”.

A pergunta boa é esta:

Hoje, no seu fluxo, o gargalo maior está em integração, visibilidade ou observabilidade?

#java #ia #langchain4j #aiagents #micrometer

## Stats

- **Views:** 0
- **Likes:** 28
- **Shares:** 0
- **Comments:** 0

## Tags

java, micrometer, ia, langchain4j, aiagents

---
Copyright (c) Gondola